一致性三位一体：通用世界模型的定义性原则

构建能够学习、模拟并推理客观物理规律的世界模型，是迈向通用人工智能的一项基础挑战。以 Sora 等视频生成模型为代表的最新进展展示了数据驱动缩放定律逼近物理动力学的潜力，而新兴的统一多模态模型（UMM）为整合感知、语言与推理提供了有前景的架构范式。尽管有这些进展，该领域仍缺乏一个有原则的理论框架来定义通用世界模型所必需的本质属性。本文提出，世界模型必须扎根于一致性三位一体：模态一致性作为语义接口、空间一致性作为几何基础、时间一致性作为因果引擎。通过这一三元视角，我们系统回顾多模态学习的演进，揭示出一条从松耦合专用模块走向使内部世界模拟器协同涌现的统一架构的轨迹。作为对该概念框架的补充，我们提出 CoW-Bench，一个以多帧推理与生成场景为核心的基准。CoW-Bench 在统一评估协议下评估视频生成模型与 UMM。我们的工作为通用世界模型确立了一条有原则的路径，既澄清了当前系统的局限，也明确了未来进展的架构要求。